Abstract

提出了一种雾自适应YOLO算法。使用一种雾评估算法将图片分为有雾和无雾图片，随后将标准的YOLO应用于正常图片，自适应YOLO应用于有雾图片。

Method

目前的除雾方法去除雾霾时不考虑其雾度和发生频率。例如，图像自适应YOLO算法[6]试图在使用YOLO算法进行对象检测之前使用CNN网络对输入图像进行去雾，但它不考虑图像的雾度，并且总是对图像应用相同的去雾方法。显然，它会降低图像细节，这可能有助于目标检测算法。
图2比较了使用这种方法的输入图像和去雾图像。显然，尽管该算法具有良好的去雾网络，当图像没有雾时，它也去除了一些细节。根据图2-a和2-b，很明显，如果不使用雾评估器方法，去雾方法将无法区分图像的模糊程度，并可能从图像中去除有用的细节。将2-b和2-d进行比较表明，IA-YOLOv3算法在正常图像中无法检测到坐在地上的人，而在雾图像中则无法检测到他。然而，根据输入图像，如图2-a和2-c所示，正常图像具有明显更好的分辨率和细节。

Haziness Degree Evaluator
所提出的方法包括利用一个名为模糊度评估器（HDE）[7]的模型，该模型可以从单个图像中估计雾度密度，而不需要相应的无雾图像、数字地形模型或广泛的训练数据。依赖一种不需要地面实况图像的方法是非常重要的，因为在现实生活场景中，不可能从完全相同的角度获得正常图像。HDE使用目标函数测量图像中存在的雾度，该目标函数考虑了通过计算和相关性分析获得的三个重要的雾度相关特征，包括饱和度、亮度和清晰度。目标函数旨在增强图像中的这些特征，同时最大限度地减少暗通道，并有助于量化图像中存在的雾度水平。
该评估器将对图像中的模糊程度进行评级，从0到1，其中较高的值表示雾的存在程度较高。
Object detection block
IA-YOLO的问题是，我们观察到该算法无法准确检测正常图像中的对象，因为它会应用除雾变化，即使图像中没有雾。显然，如果算法如预期那样工作，我们希望对正常图像具有更好的准确性，因为在这种情况下我们将有更多的细节和可见性。然而，基于图3，该算法未能满足我们的期望。
这个问题背后的原因是，尽管该算法是用具有不同模糊度的正常图像和雾图像的组合进行训练的，但它被优化为检测雾图像上的对象。图1显示了所提出的方法的框图。
我们的方法有两个主要块，包括HDE（棕色块）和自适应对象检测块。其主要思想是，在物体检测之前，我们可以找出图像的雾度水平，如果它的雾度没有高于阈值（绿色箭头），则无需对输入图像进行预处理以对其进行除雾。如果它具有高雾度（红色箭头），然后我们可以使用图像自适应YOLO[6]块（蓝色块）对图像进行去雾，然后将YOLOv3算法应用于图像

Experiments